.png){kind=icon}
返回
Bias Evaluation in Contextual Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05727-3_45.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将上下文信息（如时间、天气或位置）整合到机器学习（ML）模型中已被证明可以提高模型的性能和个性化。然而，这些附加特征可能会无意中引入偏差，导致目标类别或子群体之间出现差异。本文提出了一种新颖的方法来评估ML模型中上下文特征引入的偏差。我们引入了一个通用指标，称为上下文偏差（Contextual Bias），用于量化在移除每个上下文特征时的类别级性能差异。为了在不从头重新训练模型的情况下高效评估特征影响，我们利用了DaRE（Data Removal-Enabled）森林，这是一种允许事后移除上下文特征的机器遗忘框架。该方法应用于意大利维罗纳市兴趣点（PoIs）的游客访问真实世界数据集，其中上下文因素在塑造用户行为方面起着关键作用。这项工作为开发无偏见的上下文感知系统奠定了基础，强调了在将上下文信息整合到ML模型中时，不仅需要考虑准确率，还需要考虑偏差指标。
Keyword:
Bias center dot Context center dot Machine Learning
期刊
N
IF:
0
论文数:
45
被引数:
0
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
ARTEMIS: a Context-Aware Recommendation System with Crowding Forecaster for the Touristic Domain
OAAI
OAAI分享收藏分享收藏分享收藏分享收藏分享收藏
查看更多内容